Appena 14 mesi dopo un primo finanziamento da 2,2 milioni, la startup belga Polysense ha chiuso un seed round oversubscribed da 10,7 milioni di dollari. Il capitale accelera il rollout internazionale di una piattaforma di controllo qualità e ottimizzazione di processo che sta già girando sulle linee di produttori come Agristo, Darta e Poppies Bakeries, in Europa, Stati Uniti e Medio Oriente.

Il cuore del sistema è l’ispezione continua in-line: telecamere e sensori raccolgono dati di imaging in tempo reale, mentre modelli addestrati anche su dati sintetici rilevano deviazioni e, attraverso il modulo Polysense AutoControl, regolano automaticamente i parametri delle macchine. L’obiettivo dichiarato è fermare gli scarti prima che si generino, in un settore dove, secondo Eurostat, il food & beverage pesa per il 19% dello spreco alimentare dell’UE.

Perché l’edge è il vero protagonista

Chi segue i modelli di deployment dell’IA industriale troverà qui un caso emblematico: l’intero stack di inference gira al bordo della linea produttiva, non nel cloud. L’ispezione “continuous in-line” impone vincoli di latenza che nessuna andata e ritorno verso un data center potrebbe tollerare, e i dati operativi restano all’interno dello stabilimento. Non è un dettaglio. Significa che la piattaforma Polysense – e le decine di soluzioni analoghe che stanno emergendo nella manifattura alimentare – sposta il baricentro della potenza di calcolo lontano dai canoni del SaaS remoto e più vicino a un modello on-premise puro, o edge in senso stretto. Per i responsabili di stabilimento, questo si traduce in controllo totale sui dati di processo, immunità da oscillazioni di connettività e un TCO che abbatte i costi ricorrenti di trasmissione e storage esterno.

L’architettura non è dichiarata pubblicamente, ma è plausibile che Polysense affidi l’inference a modelli di computer vision ottimizzati per girare su hardware compatto: GPU embedded, unità di calcolo industriali o persino acceleratori dedicati. È il classico scenario in cui la quantization e l’uso di modelli leggeri diventano leve competitive, perché sulla linea di produzione ogni millisecondo conta e lo spazio a bordo macchina è limitato. Non a caso l’azienda sottolinea l’impiego di modelli sintetici: generare dati artificiali riduce la dipendenza da dataset reali onerosi e allena reti che poi, in esecuzione, possono funzionare con footprint ridotto.

Chi vince e chi perde nella corsa all’on-prem

La crescita di Polysense – da pilot a deployment commerciali con multinazionali in un anno – è il sintomo di un cambio strutturale. I grandi fornitori di cloud pubblico non sono tagliati fuori, ma il loro ruolo slitta verso la gestione dei dati aggregati e il training periodico dei modelli, mentre l’inference critica si consolida sull’impianto fisico. Vincono gli integratori di automazione industriale, i produttori di hardware embedded e chi sviluppa framework capaci di orchestrare inference distribuita su linee eterogenee. Perdono rilevanza, almeno nella fase di produzione quotidiana, le piattaforme che presuppongono un flusso costante verso server remoti.

C’è poi un aspetto di sovranità che nel food è più sentito di quanto si creda: le ricette, i parametri di cottura e le tolleranze di qualità costituiscono proprietà intellettuale strettamente custodita. Mantenere i dati in-house, senza transiti su cloud terzi, diventa un requisito negoziale e di compliance che accelera l’adozione di soluzioni edge-native.

Il prossimo passo della corsa all’hardware locale

Con 10,7 milioni in cassa e l’intenzione di coprire più fasi del processo produttivo, Polysense dovrà moltiplicare i punti di inference. Questo si traduce in una domanda crescente di capacità di calcolo on-premise: non server centrali, ma unità distribuite agganciate alle singole linee. L’espansione geografica verso Stati Uniti e Medio Oriente pone inoltre questioni di supply chain hardware e di assistenza tecnica locale – un banco di prova per la maturità dell’intero ecosistema di AI industriale.

Per chi è abituato a soppesare trade-off tra cloud, on-premise e ibrido, la traiettoria di Polysense mostra come l’inference locale non sia un’eccezione riservata a pochi pionieri, ma un asse portante della prossima ondata di automazione. La fabbrica connessa non è quella che manda tutto in cloud, ma quella che elabora sul posto, senza rinunciare a modelli di intelligenza aggiornati periodicamente.